1.vue 源码详解（三）： 渲染初始化 initRender 、源码解析生命周期的源码解析调用 callHook 、异常处理机制
2.源码级解析，源码解析搞懂 React 动态加载（下） —— @loadable/component
3.Vert.x 源码解析(4.x)——Context源码解析
4.jieba源码解析（一）——中文分词
5.dayjs源码解析（二）：Dayjs 类
6.[转]Pytorch LayerNorm源码详解

vue 源码详解（三）： 渲染初始化 initRender 、源码解析生命周期的源码解析调用 callHook 、异常处理机制

       在Vue的源码解析android相册开发源码源码解析中，本文着重于三个关键点：渲染初始化、源码解析生命周期调用及其异常处理机制。源码解析这些要素构成了Vue实例构建过程的源码解析核心，确保了应用在运行时的源码解析流畅性和稳定性。

       渲染初始化

       在Vue实例初始化阶段，源码解析一系列关键属性和方法被设置，源码解析为后续的源码解析渲染工作做好准备。其中，源码解析$attrs和$listeners的源码解析使用虽然在普通开发场景中可能较少涉及，但在高阶组件中却发挥着重要作用。未来，将专门撰写一篇文章详细阐述其使用方法和场景。

       生命周期调用与callHook

       在完成渲染初始化后，Vue实例开始执行生命周期钩子函数，以执行特定的初始化任务。这些生命周期函数以数组形式存储，形成“任务队列”，确保了函数按照预设顺序执行。调用callHook函数触发beforeCreate生命周期，该函数会遍历队列中的每个任务，并以当前组件实例为上下文执行这些函数。值得一提的是，在调用生命周期钩子时，Vue会暂时禁用依赖收集，以避免不必要的渲染操作。这一机制通过pushTarget和popTarget函数实现，确保在执行钩子函数后，状态能正确恢复。

       异常处理机制

       Vue具有完善的异常处理机制，能够确保在遇到错误时，能够优雅地控制和处理。当组件内出现异常时，异常信息会沿组件链向上层组件传播，直至根组件。这一过程能够确保错误信息被妥善处理，避免了错误对应用整体性能的影响。通过配置组件上的errorCaptured属性，开发者可以选择阻止异常向上层组件传播，从而实现更精细的错误管理。

       在Vue的生命周期管理和异常处理方面，callHook函数作为触发器，通过遍历生命周期队列执行相应任务。杨幂 源码 在线而invokeWithErrorHandling函数则负责处理每个任务函数的执行，确保即使在执行过程中出现异常，也能通过适当的错误处理机制进行统一管理和控制。

       综上所述，Vue的渲染初始化、生命周期调用和异常处理机制构成了其高效、灵活且安全的运行基础，为开发者提供了强大的工具集，以构建复杂的应用程序。通过深入理解这些核心部分，开发者能够更有效地利用Vue的特点，实现高效、稳定的应用开发。

源码级解析，搞懂 React 动态加载（下） —— @loadable/component

       源码级解析，探索 React 动态加载的实现与特性

       本系列文章旨在深入探讨单页应用（SPA）技术栈，重点关注动态加载方案的实现原理。上篇中，我们已介绍了 react-loadable 和 React.lazy，其中后者几乎已覆盖所有使用场景，并在 React 版本中添加了 SSR 支持。今天，我们将聚焦于一款名为 @loadable/component 的新方案，探索其在动态加载领域的独特优势与实现机制。

       根据官方说明，@loadable/component 不仅支持动态加载组件，还扩展了 prefetch、library 分割等特性，并提供简洁的 API。它允许用户在不依赖其他高阶组件的情况下，直接动态加载组件或库。

       为了直观理解动态加载的实现原理，我们先从具体例子入手。通过改造开头的例子，我们展示了如何使用 @loadable/component 实现组件动态加载。

       接下来，我们将深入探讨动态加载组件与库之间的区别，以及如何利用 loadable 和 loadable.lib 函数实现动态加载。通过分析源码，我们发现核心逻辑在于使用 createLoadable 工厂方法，该方法根据不同的加载方式（loadable 和 lazy）生成高阶组件 Loadable。

       分析 loadable 和 lazy 的实现区别后，我们发现它们在加载模块时的流程相似，但在加载组件时有所差异。动态加载的 ref 属性转发机制也是动态加载组件与库的重要特性之一，通过分析 Loadable 组件内部的实现细节，我们揭示了 ref 属性的花镇情感源码指向原理。

       在服务端渲染场景下，@loadable/component 的动态加载机制与客户端有所不同，主要通过同步加载动态组件/库来确保渲染过程的流畅性。通过构造函数中的同步加载操作，我们实现了服务端与浏览器端的加载一致，进而保证了渲染时可以获取到动态资源。

       总结对比不同动态加载方案，React.lazy + Suspense 提供了强大的异步渲染控制能力，而 react-loadable 和 @loadable/component 则通过高阶组件的形式，实现了组件与库的动态加载。在选择动态加载方案时，应根据项目需求和具体场景进行评估，考虑到不同的特性和限制。

Vert.x 源码解析(4.x)——Context源码解析

       Vert.x 4.x 源码深度解析：Context核心概念详解

       Vert.x 通过Context这一核心机制，解决了多线程环境下的资源管理和状态维护难题。Context在异步编程中扮演着协调者角色，确保线程安全的资源访问和有序的异步操作。本文将深入剖析Context的源码结构，包括其接口设计、关键实现以及在Vert.x中的具体应用。

       Context源代码解析

       Context接口定义了基础的事件处理功能，如立即执行和阻塞任务。ContextInternal扩展了Context，包含内部方法和功能，通常开发者无需直接接触，如获取当前线程的Context。在vertx的beginDispatch和endDispatch方法中，Context的切换策略取决于线程类型，Vertx线程会使用上下文切换，而非Vertx线程则依赖ThreadLocal。

       ContextBase是ContextInternal的实现类，负责执行耗时任务，内部包含TaskQueue来管理任务顺序。WorkerContext和EventLoopContext分别对应工作线程和EventLoop线程的执行策略，它们通过execute()、runOnContext()和emit()方法处理任务，同时监控性能。

       Context的创建和获取贯穿于Vert.x的生命周期，它在DeploymentManager的doDeploy方法中被调用，如NetServer和NetClient等组件的底层实现也依赖于Context来处理网络通信。

       额外说明

       Context与线程并非直接绑定，而是根据场景动态管理。部署时创建新Context，非部署时优先获取Thread和ThreadLocal中的Context。当执行异步任务时，当前线程的Context会被暂时替换，任务完成后才恢复。图片浏览软件源码源码中已加入详细注释，如需获取完整注释版本，可联系作者。

       Context的重要性在于其在Vert.x的各个层面如服务器部署、EventBus通信中不可或缺，它负责维护线程同步与异步任务的执行顺序，是异步编程中不可或缺的基石。理解Context的实现，有助于更好地利用Vert.x进行高效开发。

jieba源码解析（一）——中文分词

       全模式解析：

       全模式下的中文分词通过构建字典树和DAG实现。首先加载字典，字典树中记录词频，例如词"不拘一格"在字典树中表示为{ "不" : 0, "不拘" : 0, "不拘一" : 0, "不拘一格" : freq}。接着构造DAG，表示连续词段的起始位置。例如句子'我来到北京清华大学'，分词过程如下：

       1. '我'：字典树中key=0，尝试'我来'，不在字典，结束位置0寻找可能的分词，DAG为 { 0:[0]}。

       2. '来'：字典树中key=1，尝试'来到'，在字典，继续尝试'来到北'，不在字典，结束位置1寻找可能的分词，DAG为 { 0:[0], 1:[1]}。

       3. '到'：字典树中key=2，尝试'来到北'，不在字典，结束位置2寻找可能的分词，DAG为 { 0:[0], 1:[1], 2:[2]}。

       4. 以此类推，最终形成所有可能分词结果：我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学。

       全模式的关键代码涉及字典树和DAG的构建与使用。

       精确模式与HMM模式解析：

       精确模式与HMM模式对句子'我来到北京清华大学'的分词结果分别为：

       精确模式：'我'/'来到'/'北京'/'清华大学'

       HMM模式：'我'/'来到'/'了'/'北京'/'清华大学'

       HMM模式解决了发现新词的问题。解析过程分为三个步骤：

       1. 生成所有可能的分词。

       2. 生成每个key认为最好的分词。

       3. 按照步骤2的方式对每个key的结果从前面向后组合，注意判断单字与下个单字是否可以组成新词。

       最后，解析结果为：我/ 来到/ 北京/ 清华/ 清华大学

       HMM模式中的Viterbi算法在jieba中用于发现新词。算法通过统计和概率计算，实现新词的发现与分词。

       具体应用中，HMM模型包含五个元素：隐含状态、源码怎么变反码可观测状态、初始状态概率矩阵、隐含状态转移概率矩阵、观测状态转移概率矩阵。模型利用这些元素实现状态预测与概率计算，进而实现中文分词与新词发现。

       在Viterbi算法中，重要的是理解隐含状态、可观测状态、转移概率矩阵之间的关系，以及如何利用这些信息进行状态预测和概率计算。具体实现细节在代码中体现，包括字典树构建、DAG构造、概率矩阵应用等。

dayjs源码解析（二）：Dayjs 类

       上篇文章讲述了dayjs的基础知识、locale、constant和utils，本文将继续深入解析dayjs的核心部分——src/index.js中的Dayjs类。

       src/index.js文件结构清晰，按照以下步骤构建：

       然而，这里存在两个疑问，可能是为了缩减代码体积，由@iamkun提出。

       现在开始正式分析代码。

       locale相关全局定义

       首先默认导入了locale/en.js英文的locale，然后使用L存储当前使用的locale名字，使用Ls（locale Storage）存储locale对象。

       工具补充

       定义了一个工具方法parseLocale。这个方法处理以下几种情况：

       然后将定义好的parseLocale方法补充到Utils中。

       相关方法

       在Dayjs类中，关于locale的方法有两个，实例私有方法$locale用来返回当前使用的locale对象；实例方法locale本质上就是调用了parseLocale方法，但最后返回的是新的改变了locale的Dayjs实例。

       注意：在dayjs中，许多操作都使用clone()方法来返回新的Dayjs实例，这也是这个库的优点之一。

       最后同样将parseLocale方法补充到Dayjs类的静态方法中。

       补充Utils

       上一节和前文中已经分析了一些Util工具，这里将其补充完整：

       注意：这些工具方法没有统一定义在utils.js文件中的原因是用到了index.js作用域中的一些变量。

       需要特别关注的是wrapper方法，在Dayjs类中大量应用了该方法，其实是通过date和原实例封装了一个新实例，新实例和原实例的主要区别就是关联的时间不同。

       Dayjs类

       Dayjs类是整个dayjs库的核心，可以给其定义的实例方法分类，也可以查看官网的文档分类。

       解析都写在了代码的注释里：

       原型链

       通常来说，定义在实例中的方法应该在原型链上，但有几个与时间有关的setter/getter方法相似，所以单独将原型链写在了上面。

       这几个方法都是不传参数时为getter，传参数时为setter。

       静态属性

       还有一些方法和属性挂在了dayjs函数对象上，最核心的是加载插件和加载locale的方法，几个方法的用法都能在官方文档中找到。

       如果对dayjs函数对象、Dayjs类和原型的关系感到困惑，可以参考下图，最后形成的关系如下图所示：

       总结

       如果不看插件部分，dayjs库的核心已经解析完成，看一下默认生成dayjs实例长什么样子：

       实例本身的属性是一些与时间相关的属性，各种操作方法都在原型__proto__上。

       本节结束，下一节将开始解析dayjs的插件。

[转]Pytorch LayerNorm源码详解

       在深度学习框架中，PyTorch的LayerNorm层提供了一种对输入张量进行归一化的手段，适用于卷积神经网络等模型。本文将对LayerNorm的源码进行详细解析，旨在帮助读者深入理解其内部工作原理。

       1. LayerNorm使用介绍

       在PyTorch中，LayerNorm函数的定义遵循数学公式：对输入张量的每个轴进行归一化，使每个轴的平均值为零，方差为1。具体实现时，会为输入张量的每个轴计算出一个权重向量和一个偏置向量，然后对输入进行缩放和偏移操作，以达到归一化的效果。

       2. LayerNorm反向推导公式

       在反向传播过程中，LayerNorm的计算涉及三个梯度：对参数的梯度、输入梯度以及中间变量的梯度。其数学公式如下：首先，计算期望和方差，然后利用这些信息对输入进行调整。在计算梯度时，每个梯度都与输入张量的每个元素相关，但权重和偏置的梯度仅与它们自身相关。

       3. 源码实现

       LayerNorm的前向计算和反向计算分别在PyTorch的源码中定义。前向计算主要涉及输入张量的重塑、权重和偏置的初始化以及层归一化的具体实现。反向计算则基于前向计算的结果，通过多线程并行处理进行优化。

       3.1 前向计算

       在计算前，输入张量首先被转换为一个二维矩阵，以便进行层归一化。接着，初始化权重和偏置向量，并通过一个名为LayerNormKernelImplInternal的函数实现归一化操作。

       3.2 反向计算

       反向计算涉及到对多维矩阵的梯度求取，这可以通过将矩阵分解为多个一维向量来进行。在PyTorch的源码中，反向计算主要通过调用一个名为layer_norm_backward_cpu的函数实现，该函数首先初始化相关张量，然后调用内联函数进行计算。

       4. 参考资料

       本文内容基于对PyTorch源代码的深入分析，参考了PyTorch官方文档以及相关深度学习研究论文。通过解析LayerNorm的源码，读者可以更深入地理解层归一化操作的实现细节，从而在实际项目中进行更有效的利用。

Linux内核源码解析---万字解析从设计模式推演per-cpu实现原理

       引子

       在如今的大型服务器中，NUMA架构扮演着关键角色。它允许系统拥有多个物理CPU，不同NUMA节点之间通过QPI通信。虽然硬件连接细节在此不作深入讨论，但需明白每个CPU优先访问本节点内存，当本地内存不足时，可向其他节点申请。从传统的SMP架构转向NUMA架构，主要是为了解决随着CPU数量增多而带来的总线压力问题。

       分配物理内存时，numa_node_id() 方法用于查询当前CPU所在的NUMA节点。频繁的内存申请操作促使Linux内核采用per-cpu实现，将CPU访问的变量复制到每个CPU中，以减少缓存行竞争和False Sharing，类似于Java中的Thread Local。

       分配物理页

       尽管我们不必关注底层实现，buddy system负责分配物理页，关键在于使用了numa_node_id方法。接下来，我们将深入探索整个Linux内核的per-cpu体系。

       numa_node_id源码分析获取数据

       在topology.h中，我们发现使用了raw_cpu_read函数，传入了numa_node参数。接下来，我们来了解numa_node的定义。

       在topology.h中定义了numa_node。我们继续跟踪DECLARE_PER_CPU_SECTION的定义，最终揭示numa_node是一个共享全局变量，类型为int，存储在.data..percpu段中。

       在percpu-defs.h中，numa_node被放置在ELF文件的.data..percpu段中，这些段在运行阶段即为段。接下来，我们返回raw_cpu_read方法。

       在percpu-defs.h中，我们继续跟进__pcpu_size_call_return方法，此方法根据per-cpu变量的大小生成回调函数。对于numa_node的int类型，最终拼接得到的是raw_cpu_read_4方法。

       在percpu.h中，调用了一般的read方法。在percpu.h中，获取numa_node的绝对地址，并通过raw_cpu_ptr方法。

       在percpu-defs.h中，我们略过验证指针的环节，追踪arch_raw_cpu_ptr方法。接下来，我们来看x架构的实现。

       在percpu.h中，使用汇编获取this_cpu_off的地址，代表此CPU内存副本到".data..percpu"的偏移量。加上numa_node相对于原始内存副本的偏移量，最终通过解引用获得真正内存地址内的值。

       对于其他架构，实现方式相似，通过获取自己CPU的偏移量，最终通过相对偏移得到pcp变量的地址。

       放入数据

       讨论Linux内核启动过程时，我们不得不关注per-cpu的值是如何被放入的。

       在main.c中，我们以x实现为例进行分析。通过setup_percpu.c文件中的代码，我们将node值赋给每个CPU的numa_node地址处。具体计算方法通过early_cpu_to_node实现，此处不作展开。

       在percpu-defs.h中，我们来看看如何获取每个CPU的numa_node地址，最终还是通过简单的偏移获取。需要注意如何获取每个CPU的副本偏移地址。

       在percpu.h中，我们发现一个关键数组__per_cpu_offset，其中保存了每个CPU副本的偏移值，通过CPU的索引来查找。

       接下来，我们来设计PER CPU模块。

       设计一个全面的PER CPU架构，它支持UMA或NUMA架构。我们设计了一个包含NUMA节点的结构体，内部管理所有CPU。为每个CPU创建副本，其中存储所有per-cpu变量。静态数据在编译时放入原始数据段，动态数据在运行时生成。

       最后，我们回到setup_per_cpu_areas方法的分析。在setup_percpu.c中，我们详细探讨了关键方法pcpu_embed_first_chunk。此方法管理group、unit、静态、保留、动态区域。

       通过percpu.c中的关键变量__per_cpu_load和vmlinux.lds.S的链接脚本，我们了解了per-cpu加载时的地址符号。PERCPU_INPUT宏定义了静态原始数据的起始和结束符号。

       接下来，我们关注如何分配per-cpu元数据信息pcpu_alloc_info。percpu.c中的方法执行后，元数据分配如下图所示。

       接着，我们分析pcpu_alloc_alloc_info的方法，完成元数据分配。

       在pcpu_setup_first_chunk方法中，我们看到分配的smap和dmap在后期将通过slab再次分配。

       在main.c的mm_init中，我们关注重点区域，完成map数组的slab分配。

       至此，我们探讨了Linux内核中per-cpu实现的原理，从设计到源码分析，全面展现了这一关键机制在现代服务器架构中的作用。

husky 源码浅析

       解析 Husky 源码：揭示 Git 钩子的奥秘

       前言

       在探索 Husky 的工作原理之前，让我们先回顾一下自定义 Git Hook 的概念。通过 Husky，我们能够实现对 Git 钩子的指定目录控制，灵活地执行预先定义的命令。本篇文章将带领大家深入 Husky 的源码，揭示其工作流程和使用 Node.js 编写 CLI 工具的要点。

       Husky 工作流程

       从 Husky 的安装流程入手，我们能够直观地理解其工作原理。主要步骤如下：

       执行 `npx husky install`。

       通过 Git 命令，将 hooks 目录指向 Husky 提供的目录。

       确保新拉取的仓库在执行 `install` 后自动调整 Git hook 目录，以保持一致性。

       在这一过程中，Husky 通过巧妙地添加 npm 钩子，确保了新仓库在安装完成后能够自动配置 Git 钩子路径，实现了跨平台的统一性。

       源码浅析

       bin.ts

       bin.ts 文件简洁明了，核心在于模块导入语法和 Node.js CLI 工具的实现。它支持了导入模块的两种方式，并解释了在 TypeScript 中如何灵活使用它们。

       npm 中的可执行文件

       通过配置 package.json 的 `bin` 字段，我们可以将任意脚本或工具作为 CLI 工具进行全局安装，以便在命令行中直接调用。Husky 利用这一特性，为用户提供了一个简洁的安装流程和便捷的调用方式。

       获取命令行参数

       在 Node.js 中，`process.argv` 提供了获取命令行参数的便捷方式。通过解析这个数组，我们可以轻松获取用户传递的参数，实现命令与功能的对应。

       index.ts

       核心逻辑在于安装、配置和卸载 Git 钩子的函数。Husky 的代码结构清晰，易于理解。其中，`core.hooksPath` 的配置和权限设置（如 `mode 0o`）是关键步骤，确保了 Git 钩子的执行权限和统一性。

       husky.sh

       作为初始化脚本，husky.sh 执行了一系列环境配置和日志输出操作。其重点在于根据不同 Shell 环境（如 Zsh）进行适配性处理，确保 Husky 在各类环境中都能稳定运行。

       结语

       Husky 的实现通过 `git config core.hooksPath` 和 `npm prepare` 钩子的巧妙结合，不仅简化了 Git 钩子的配置流程，还提升了代码的可移植性和一致性。使用 Husky，开发者能够更灵活地管理 Git 钩子，提升项目的自动化程度。